Trame noire en Hauts-de-France - Mission d'assistance de la DREAL et du ministère de la transition écologique et solidaire en 2020 - erc-hdf.fr

Trame noire en Hauts-de-France
 Mission d'assistance de la DREAL et du
 ministère de la transition écologique et
 solidaire en 2020
Étude de l’utilisation de données satellitaires comme indicateur de la
 pollution lumineuse

 Rapport d'étude, janvier 2021
 Crédit photo : Olivier PICHARD cc by sa 4

2

Rapport d’étude du Cerema

 Trame noire en Hauts-de-France
 Mission d'assistance de la DREAL en 2020
 Étude de la faisabilité de la cartographie de la trame
noire à l’échelle départementale
 Historique des versions du document
 Version Date Commentaire
 1 26/01/2021

 Affaire suivie par
 Olivier PICHARD - Département Territoire Ecologie Energie Risques (TEER) – Groupe Risques, Eau,
 Biodiversité (REB)
 Tél. :03 20 49 63 76
 Courriel : Olivier.Pichard@cerema.fr
 Site de Lille : Cerema Hauts-de-France – 44 ter rue Jean Bart, CS 20275 59019 Lille

 Références
n° d’affaire : C20XXXXXX
Partenaire : Dreal Hauts-de-France (M. Frédéric Bince / Mme Bénédicte Lefevre)

 Ce rapport inclut également des chapitres qui ont été financés par le ministère de la transition
écologiques et solidaire, Direction de l'eau et de la biodiversité.

 Rapport Nom Date Visa

Établi par Olivier PICHARD 26/01/2021

Contrôlé par Anne Claire DE ROUCK Le 05/02/2021

Validé par Bruno KERLOC’H Le 22/02/2021

 Visa de la directrice du département Territoires Écologie Énergie Risques

 Signature numérique

 LAMPIN
 Date : de LAMPIN
 Date : 2021.02.23
 11:34:08 +01'00'
 Corinne LAMPIN

 3

4

Propriété intellectuelle

 Conformément au code de la propriété intellectuelle, les livrables produits par le Cerema sont la propriété
de leur auteur : droits moraux aux personnes physiques nommément désignées sur le rapport, droits patrimoniaux
au Cerema. En conséquence, un exemplaire du rapport sera conservé à la documentation du Cerema pour une
exploitation à des fins méthodologiques. Ces dispositions légales vous engagent à respecter l'obligation minimale
de citation de l'auteur dans toutes vos communications impliquant notre production. De son côté, le Cerema
s’engage à toujours citer le demandeur en tant qu'organisme ayant financé l'étude. Indépendamment de ces
obligations minimales, des spécifications particulières visant à l'application du droit d'auteur (procédé et conditions
de divulgation) peuvent être indiquées lors de la transmission du document final.

 Certification qualité

 Les prestations du Cerema Hauts-de-France sont menées dans le
 respect de sa politique Qualité.

 Le Cerema Hauts-de-France est certifié ISO 9001 (version 2015)
 pour ses trois implantations (Lille, Sequedin et Saint-Quentin) depuis le 16
 mars 2017.

 Mots clés : Trame noire, biodiversité nocturne, trames verte et bleue, continuités
écologiques.

 Résumé de l'étude :

 La prise en compte de la Trame noire dans tout projet d'aménagement est une nécessité réglementaire
depuis les lois Grenelle I et II. Cela a été renforcé depuis la loi biodiversité de 2016. La publication de l'arrêté
du 27 décembre 2018 relatif à la prévention, à la réduction et à la limitation des nuisances lumineuses a édicté
des mesures concrètes de mise en œuvre de la lutte contre la pollution lumineuse. Les services de la DREAL
ont sollicité le Cerema pour faciliter la mise en œuvre de cette politique publique et notamment pour :

 - Réaliser un état des lieux des actions entreprises en Hauts-de-France pour lutter contre les nuisances
lumineuses ;

 - Établir une liste des espèces de chauves-souris les plus sensibles à la pollution lumineuse ;

 - Rédiger des fiches pratiques pour alimenter la boîte à outils "Éviter Réduire Compenser" de la DREAL
Hauts-de-France (cf 2 fiches annexées au présent document) ;

 - Dégager les pistes d'actions à réaliser en 2020 pour mettre en œuvre la réduction des nuisances
lumineuses en Hauts-de-France.

 5

Table des matières
 Contexte du présent rapport ....................................................................... 7
 Les données satellitaires du ciel nocturne .................................................. 7
 2.1 La donnée satellitaire est-elle pertinente pour caractériser la pollution
 lumineuse ?7
 2.2 Qu’est-ce que la radiance ? ................................................................. 8
 2.3 Limites de la mesure de la radiance nocturne par des satellites ? ...... 9
 2.4 La mesure de la radiance par un satellite reflète-t-elle la pollution
 lumineuse ?11
 2.5 Quelles bandes spectrales utilisables pour caractériser la pollution
 lumineuse ?14
 2.6 Meilleure résolution synonyme de meilleure pertinence ? ................. 15
 2.7 Quels satellites disponibles pour la trame noire ? ............................. 16
 2.8 L’outil VIIRS/NPP du satellite Suomi NPP ......................................... 19
 2.8.1 Exploitation des données VIIRS/NPP grâce à l’application Web
 Radiance Light Trends ...................................................................................... 19
 2.9 Jilin 1 ................................................................................................. 23
 2.10 Satellite Luojia ................................................................................ 27
 Synthèse .................................................................................................. 31
 Contacts ................................................................................................... 32
 Bibliographie ............................................................................................ 33

 6

Contexte du présent rapport
 Les services de la DREAL Hauts-de-France ont sollicité le Cerema en 2019 car
la prise en compte de la Trame noire dans tout projet d'aménagement est une
nécessité réglementaire depuis les lois Grenelle I et II. Cela a été renforcé depuis la
loi biodiversité de 2016. La publication de l'arrêté du 27 décembre 2018 relatif à la
prévention, à la réduction et à la limitation des nuisances lumineuses a édicté des
mesures concrètes de mise en œuvre de la lutte contre la pollution lumineuse.
 Le rapport remis à la DREAL en mars 2020 avait pour objectif de faciliter la mise
en œuvre de cette politique publique et notamment pour :
 - Réaliser un état des lieux des actions entreprises en Hauts de France pour
lutter contre les nuisances lumineuses ;
 - Établir une liste des espèces de chauves-souris les plus sensibles à la pollution
lumineuse ;
 - Rédiger des fiches pratiques pour alimenter la boîte à outils "Éviter Réduire
Compenser" de la DREAL Hauts-de-France (cf 2 fiches annexées au présent
document) ;
 - Dégager les pistes d'actions à réaliser en 2020 pour mettre en œuvre la
réduction des nuisances lumineuses en Hauts-de-France.
 Ce rapport reprenant les éléments ci-dessus est disponible à l’adresse
suivantes :
 https://www.cerema.fr/fr/actualites/agir-contre-pollution-lumineuse-favoriser-
trame-noire-hauts

 À la suite de ce premier travail, la DREAL Hauts de France a souhaité savoir s’il
était possible de cartographier la trame noire grâce à des données satellitaires. Le
présent rapport dresse un état des lieux des outils disponibles à cette fin.

 Les données satellitaires du ciel nocturne

2.1 La donnée satellitaire est-elle pertinente pour caractériser la
 pollution lumineuse ?

 Il existe plusieurs possibilités pour dresser des cartes de pollution lumineuse.
Pour cela, il est possible d’utiliser plusieurs sources de données permettant d’effectuer
des simulations de pollution lumineuse. Les principales sources de données utilisables
sont les suivantes (Deverchère, Vauclair, Nguyen Duy - Bardakji 2018) :

 7

 images satellites basse résolution mesurant la radiance ;
  bases de données géolocalisées des agglomérations avec connaissance
 des zones urbanisées ;
  statistiques détaillées sur la nature des sols (tissu urbain, sol artificialisé,
 prairies, espaces boisés, etc.) ;
  sources lumineuses discrètes géolocalisées.
 Ces sources de données présentent des avantages et inconvénients qu’il est
possible d’évaluer selon 3 axes souvent utilisés dans l’étude de la pollution lumineuse
(Deverchère, Vauclair, Nguyen Duy - Bardakji 2018) :
  axe spatial (résolution des cartes et respect de l’implantation des
 réseaux d’éclairage) ;
  axe temporel (variabilité nocturne, extinctions, évolution des réseaux sur
 le moyen et long terme) ;
  axe spectral (spectre des flux lumineux induisant la pollution lumineuse).
 Les avantages et inconvénients sont synthétisés ci-dessous :

 Figure 1 : Tableau de synthèse des avantages et inconvénients de différentes données sources dans la
caractérisation de la pollution lumineuse, selon trois axes. Source (Deverchère, Vauclair, Nguyen Duy - Bardakji
 2018)

 Tel qu’indiqué en contexte du présent rapport, nous nous intéresserons ici à
l’évaluation de la pollution lumineuse à grande échelle, celle d’un parc naturel régional,
d’un département voire d’une région par exemple. La source de données adaptée à
une telle échelle est la radiance satellitaire.

2.2 Qu’est-ce que la radiance ?
 8

La radiance, également appelée luminance énergétique (notée Le), est la
puissance par unité de surface du rayonnement passant ou étant émis en un point
d'une surface, et dans une direction donnée par unité d'angle solide. La radiance
indique la manière dont sera vue la lumière émise par une surface donnée (en
réflexion, transmission ou diffusion) par un système optique visant cette surface sous
n'importe quel angle de vue. L’unité de la radiance est le W·m−2·sr−1 (watts par
stéradian et par mètre carré).

 Figure 2 : On trouve parfois la luminance écrite sous forme de vecteur aligné suivant la direction d'émission Ω .
 Cette quantité est en fait Ω Le. Source wikipedia

2.3 Limites de la mesure de la radiance nocturne par des
 satellites ?

 De nuit, la radiance est globalement moindre que de jour. Mais la plage
dynamique1 du paysage nocturne est très étendue. En effet pour les zones pas
éclairées, le rayonnement lumineux sera très faible, 8 fois moindre que de jour mais
pour des rues éclairées, il sera environ 4 fois moindre que l’éclairage direct du soleil
(Hänel et al. 2018). La distribution de la radiance la nuit est donc différente de celle de
jour, influencée par les zones sombres.
 Certains éclairages peuvent éclairer en grande partie directement vers le ciel
sans réflexion de la lumière au sol et avoir une radiance proche du soleil. Les capteurs
de nuit destinés à mesurer la radiance de tout type d’éclairage au sol doivent donc
disposer d’une plage dynamique de mesure très grande. Cela est toujours insuffisant
et aux fortes résolutions, les zones non éclairées sont généralement sous exposées
(Levin et al. 2020). Paradoxalement, les satellites à faible résolution ont beaucoup

1
 rapport de la plus grande à la plus petite valeur d'une grandeur. Cette grandeur peut caractériser l'intensité d'un
son ou d'une lumière

 9

moins de difficulté à gérer ce problème de plage dynamique étendue (Levin et al.
2020).
 L’un des autres inconvénients des données de radiance satellite est qu’elles
reflètent l’état de la luminance énergétique à une heure définie de la nuit, au moment
où le satellite prend le cliché, souvent en deuxième partie de nuit là où certaines
communes pratiquent l’extinction nocturne. De ce fait, certaines pollutions lumineuses
de début de nuit n’apparaissent pas. Il est important de prendre connaissance des
horaires de prises de vue des satellites pour identifier les biais possibles qu’ils
induisent.
 La plupart du temps, les conditions de prise de vue des images satellites pour
constituer les cartes de radiance, notamment les heures de passage, peuvent varier
pour les images individuelles utilisées dans la constitution des jeux de données
composites (Deverchère, Vauclair 2019; Zhao et al. 2019).
 De plus, les algorithmes utilisés pour constituer les cartes de radiance
suppriment parfois des sources lumineuses transitoires mais peuvent aussi en
conserver à tort, comme l’ont montré des cartes des Pyrénées où les dameuses de
pistes de ski étaient visibles (Deverchère, Vauclair 2019). Il peut donc être utile parfois
de vérifier ces données de radiance satellite avec d’autres sources de données.

 Les quatre principaux défaut liés à la mesure par la radiance sont les suivants
(Association française de l’éclairage 2018) :
  l’imagerie satellite ne capture pas la diffusion latérale de la lumière à 100
 km ;
  la plupart des détecteurs, de par leur sensibilité, coupent à 500
 nanomètres et sont donc incapables de mesurer efficacement le spectre
 dans le bleu ;
  tel qu’indiqué précédemment, certains satellites passent au-dessus de la
 France après 1h00 du matin. Il n’est donc pas possible dans ce cas
 d’obtenir les mesures en début de nuit avant les variations de puissance ;
  les mesures ne sont valables que par beau temps, les nuages étant
 capables de multiplier par 10 ou par 20 la pollution lumineuse globale.

 10

2.4 La mesure de la radiance par un satellite reflète-t-elle la
 pollution lumineuse ?

 La pollution lumineuse, que l’on peut définir comme une nuisance d’origine
anthropique par des éclairages artificiels, se caractérise essentiellement par la
détermination de la brillance du fond de ciel nocturne appelée également NSB (Night
Sky Brightness) (Deverchère, Vauclair 2019). Elle est traditionnellement exprimée en
magnitudes par seconde d’arc au carré (W.m-².sr-1 , écrit aussi mag/arcsec²). Cette
unité est celle d’une luminance (Deverchère, Vauclair, Bonavitacola 2018).

 Figure 3 : Échelle des valeurs de brillance de fond de ciel en mag/arcsec2. Les valeurs les plus élevées
 correspondent aux brillances les plus faibles. Source (Deverchère, Vauclair, Bonavitacola 2018).

 Il existe plusieurs façons de mesurer la NSB (Hänel et al. 2018) mais la
principale est la mesure de la NSB zénithale. La mesure de cette dernière s’effectue
au sol grâce à des Sky Quality Meter (SQM) ou dans une version améliorée
développée par la société DarkSkyLab, grâce au Ninox (Deverchère, Vauclair,
Bonavitacola 2018).

 Aux abords des zones habitées, la NSB est composée à la fois de sources
lumineuses naturelles (lune, étoiles) et artificielles (Hänel et al. 2018). Même après le
coucher du soleil, celui-ci peut encore émettre de la lumière diffuse, au moment du
crépuscule ou par des nuages noctulescents par exemple (Hänel et al. 2018).
 La NSB est fortement influencée par les conditions météorologiques. Une carte
de pollution lumineuse doit donc préciser s’il s’agit d’une carte représentative d’un ciel

 11

clair avec peu de charge aérosol, peu d’humidité, avec ou sans lune, ou au contraire
avec présence d’un voile nuageux avec un ciel couvert, etc. Les résultats seront
notoirement différents (Deverchère, Vauclair 2019).

 Il a même été montré que selon l’outil de mesure utilisé pour caractériser la
pollution lumineuse, il était possible d’avoir des résultats contradictoires. En effet dans
une expérience sur l’incidence du remplacement de lampes à sodium haute pression
par des LED (Bara, Rigueiro, Lima 2019), une diminution de la radiance par le satellite
VIIRS-DNB a été observée alors que le ciel paraissait plus clair pour un observateur à
vision scotopique2 situé à une distance proche de la source et plus sombre pour un
observateur à vision photopique3 situé à grande distance de la source. Et pour
compliquer le tout, le SQM utilisé dans l’expérience ne montrait pas de relation nette
avec les observations effectuées à l’œil nu…
 Pour ce qui est de la diminution de la radiance perçue par le satellite VIIRS-
DNB, cela s’explique par le pic d’émission des LED dans le bleu aux alentours de 460
nm alors que la plage de détection de la radiance du satellite VIIRS-DNB est de 500-
900 nm. Les lampes à sodium hautes pression émettant aux alentours de 814 nm, la
radiance est donc mieux captée par le satellite que celle des LED.
 Tout ceci démontre la complexité de la caractérisation de la pollution lumineuse.
Il est donc nécessaire de bien définir quel type de pollution lumineuse est à mesurer
et d’évaluer en conséquence les outils et leurs caractéristiques techniques à utiliser.
 Si la radiance satellite peut tout de même constituer un indicateur de la pollution
lumineuse, il est très utile, voire nécessaire, de la compléter par les données de
luminance des sources lumineuses perçues au niveau du sol pour la caractériser
correctement (Deverchère, Vauclair 2019; Zhao et al. 2019).
 La société DarkSkyLab a développé un logiciel nommé OTUS, qui permet de
transformer les données de radiance en valeur de NSB en appliquant un modèle de
diffusion ou bien, de manière plus réaliste, des heuristiques basées sur des
convolutions avec des distances de coupure à partir des données de radiance (qui de
plus ne concernent qu'une plage de longueur d'ondes bien spécifique) (Deverchère,
Vauclair 2019). OTUS permet également si besoin d’ajouter ou de retirer des sources
lumineuses pour compléter les données de radiance satellite. La figure 4 ci-dessous
permet de voir la différence entre une carte illustrant la radiance satellite et une carte
de simulation de la pollution lumineuse.

2
 se dit de la vision avec faible luminosité, vision nocturne essentiellement avec les bâtonnets de l’œil.
3
 la vision photopique correspond à la vision à forte luminosité, donc à la vision de jour (diurne) où les cônes
sont sollicités. La vision photopique a une faible sensibilité mais une forte résolution et propose une bonne
perception des rouges.

 12

Figure 4 : A gauche carte de la radiance satellite (données NOAA VIIRS-DNB composite 2015) sur le territoire du
 SCOT des Vosges centrales. À droite, carte de simulation de la pollution lumineuse grâce au logiciel OTUS, à
 partir des données de radiance sur le même territoire (Deverchère, Vauclair 2019).

 13

2.5 Quelles bandes spectrales utilisables pour caractériser la
 pollution lumineuse ?

 Les satellites embarquent plusieurs types de dispositifs permettant de capturer
des images soit grâce à des capteurs numériques soit à des scanners (push-broom
scanner).
 Le tableau ci-dessous résume les principales bandes spectrales pouvant
équiper les satellites avec leurs champs d’application. Les bornes des longueurs
d’onde sont données à titre indicative car elles varient selon le type de capteur
embarqué.

bande spectrale gamme de longueur d'onde résolution au sol caractéristiques spectrales
BO 450nm ～ 800nm 5m Spectre panchromatique
B1 403nm ～ 423nm 5m Spectre sensible aux matières jaunes
B2 433nm ～ 453nm 5m Seaclanseoast
B3 450nm ～ 515nm 5m Bleu
B4 525nm ～ 600nm 5m Vert
BS 630nm ～ 680nm 5m Rouge
B6 784.5nm ～ 899.5nm 5m Index de surface foliaire
B7 485nm ～ 495nm 10 m Chlorophylle et autres pigments
B8 615nm ～ 625nm 10 m Dépôts de sédiments
B9 650nm ～ 680nm 10 m Sommet du pic d'absorption de la chlorophylle
 Référence spectrale de la fluorescence de la
B10 698.75nm ～ 718.75nm 10 m
 chlorophylle
B11 732.5nm ～ 747.Snm 10 m Spectre red-edge
B12 773nm ～ 793nm 10 m Index de surface foliaire
 Sensibilité à la chlorophylle, à la biomasse et à l'index
B13 855nm ～ 875nm 20 m
 de surface foliaire
B14 660nm ～ 670nm 20 m Chlorophylle, transport de sédiments, sédiments
 Somme du pic d'absorption de la fluroescence de la
B15 677.5nm ～ 685nm 20 m
 chlorophylle
B16 750nm ～ 757.5nm 20 m Spectre de référence d'absorption de l'O2
B17 758.75nm ～ 762.5nm 20 m Spectre d'absorption de l'O2
B18 935nm ～ 955nm 20 m Correction de la vapeur
B19 1000nm ～ 1040nm 20 m Correction de l'atmosphère et des aérosols
 Distinction des masses d'eau et état de santé de la
SW1 1195nm ～ 1225nm 100 m
 canopée
 Détection des nuages de glace de haute altitude et des
SW2 1360nm ～ 1390nm 100 m
 nuages convolutionnels
 Contenu en eau des plantes et des cultures,
 pénétration de la fumée, humidité du sol, distinction
SW3 1550nm ～ 1590nm 100 m
 entre les nuages et la neige, surveillance de la
 sécheresse
 Pénétration de la fumée, identification des incendies,
SW4 1610nm ～ 1690nm 100 m
 distinction entre les nuages et la neige
MW1 3700nm ～ 4950nm 100 m Identification des incendies
 Surveillance de+A1:D26 la température de surface et
LW1 7500nm ～ 13500nm 150 m
 prévention dans la lutte contre les incendies
Figure 5 : Principales bandes spectrales pouvant équiper les satellites avec leurs champs d’application. Source :
 CG Satellite society (CG Satellite society [sans date])

 14

Les spectres les plus utilisables pour la pollution lumineuse sont ceux du bleu,
du vert, du rouge et du proche infrarouge (O. Thiery, comm. pers.), (Zheng et al. 2018).

2.6 Meilleure résolution synonyme de meilleure pertinence ?

 Si des satellites offrent désormais une bonne résolution comme Eros B ou Jilin-
1, plusieurs publications ont montré que cela n’était pas forcément l’idéal selon
l’objectif poursuivi (Levin et al. 2020). En effet, pour la caractérisation de la pollution
lumineuse, les meilleurs résultats sont obtenus pour des résolutions de 50 à 100 m
(Katz, Levin 2016) et même à des résolutions moindres (Anderson et al. 2010).
L’augmentation de la résolution entraîne davantage d’artefacts par l’effet combiné de
la moindre sensibilité aux zones faiblement éclairées et du contraste plus grand entre
les zones sombres et lumineuses (Katz, Levin 2016). Toutefois Wang (Wang et al.
2020) a indiqué dans son étude que JL1-3B était moins sensible que Luojia 1-01 à la
saturation et l’effet de bavure des fortes lumières.
 À haute résolution, il y a de plus grandes différences entre la luminosité
horizontale mesurée au sol et la radiance mesurée par le satellite car ce dernier ne
mesure que la lumière artificielle émise verticalement (Katz, Levin 2016).
 Ainsi, le satellite Luojia-1 avec une résolution de 100 à 130 m offre donc une
solution a priori assez bien adaptée pour caractériser la pollution lumineuse, d’autant
que cette solution est quasiment gratuite !

 15

2.7 Quels satellites disponibles pour la trame noire ?

 Il existe plus d’une douzaine de capteurs installés sur des satellites depuis le
début des années 1990 permettant de caractériser la pollution lumineuse. Le premier
à avoir fourni des images à grande échelle et permis de prendre la mesure de la
pollution lumineuse est le capteur DMSP/OLS. Ce dernier a produit des images toutes
les nuits entre 1992 et 2013. Le tableau ci-dessous résume tous les capteurs
permettant d’obtenir des clichés de la pollution lumineuse avec leurs principales
caractéristiques.

 Résolution Années Fréquence de mise à
Type de capteur Données produites Bandes spectrales
 spatiale (m) disponibles jour

 Archives
 Une couverture
 numériques Lumières fixes, Radiance Panchromatique 400–
DMSP/OLS 3000 globale est disponible
 disponibles entre calibrée, moyenne des valeurs 1100 nm (8 bits)
 toutes les 24 heures
 1992 et 2013

 Images sans couche nuageuse
 disponibles mensuellement
VIIRS/DNB depuis avril 2012 en unité nano-
 740 (500m depuis
 Images disponibles watts/cm2*sr).
VIIRS/NPP 2019 pour Nasa Lancé en Oct. Panchromatique 505–
 quotidiennement en
(=VNP46A1) depuis Black Marble = 2011 890 nm (14 bits)
 téléchargement Données rectifiées
2019 VNP46A1)
 quotidiennement. Le VNP46A1
 est disponible depuis mi 2019
 (NASA Black Marble).

 Cubesat (nano-
 satellite)
Aerocube 4 500 Episodiquement N\A RGB
 expérimental,
 2014

 Lancé en nov. Panchromatique 450–
SAC-C HSTC 300 Episodiquement N\A
 2000 850 nm

 Lancé en juin Panchromatique 450–
SAC-D HSC 200–300 Episodiquement N\A
 2011 900 nm

Photographies des Images disponibles à cette
 Depuis 2003
astronautes à bord de adresse
 5–200 (depuis mission Episodiquement RGB
la station spatiale
 ISS006) http://eol.jsc.nasa.gov/
internationale (ISS)

 Cubesat (nano-
 satellite)
CUMULOS 150 Episodiquement N\A Panchromatique
 expérimental,
 2018

 Panchromatique, 460–
 Lancé en juin Disponible gratuitement sur le
LuoJia1-01 130 Tous les 15 jours 980 nm et bleu (430-
 2018 site de l’université de Wuhan
 512) - 14 bits

 Cubesat (nano-
 satellite)
Aerocube 5 124 Episodiquement N\A RGB
 expérimental,
 2015

 Images de nuit
Landsat 8 15–30 Lancé en 2013 acquises Disponible gratuitement 7 bandes
 épisodiquement

 430–512 nm (bleu)),
 Satellite commercial
 Lancé en janvier 489–585 nm (vert) and
Jilin-1 (JL1-3B) 0.9 avec acquisition sur N\A
 2017 580–720 nm (rouge) – 8
 demande
 bits

 16

Panchromatique et
 Satellite commercial
 Lancé en janvier multi-spectre (bleu, vert,
JL1-07/08

Figure 8 : Exemple de cliché nocturne pris par la mission VENUS (J.M. Delvit, CNES, comm. pers.)

 Au vu de l’analyse des capteurs disponibles pour caractériser la pollution
lumineuse, trois d’entre eux ont retenu notre attention en raison :
  de leur disponibilité pour les Hauts-de-France ;
  de leur coût « abordable » ;
  de leur pertinence pour caractériser la pollution lumineuse à une grande
 échelle.
 Les capteurs retenus pour ce présent rapport sont donc VIIRS/NPP, Luojia-1 et
Jilin 1.
 Il est toutefois à prendre en considération le satellite israélien EROS-B qui a été
le premier satellite commercial à offrir une haute résolution (0,7 m) pour des images
de nuit. Ce satellite a été lancé en 2006 mais n’a débuté des acquisitions de nuit qu’en
2013. Les données de EROS B sont plus chères que celles de JiLiN 1 (100 euros
environ du km2) et les images seraient de moins bonnes qualité dans le cadre d’une
utilisation pour la pollution lumineuse.
 Il est également important de mentionner CO3D (acronyme de Constellation
Optique en 3D) qui est une constellation de mini-satellites d'observation de la Terre
développée par le CNES. Composée de 4 satellites d'environ 300 kilogrammes, la
constellation de satellites CO3D doit fournir des images tri-dimensionnelles de la
surface de la Terre avec une précision de 1 mètre en altitude et une résolution spatiale
de 50 centimètres. La constellation CO3D remplit à la fois des objectifs civil et militaire.
CO3D pourrait donc être bien utile pour caractériser la pollution lumineuse. Il n’est
toutefois pas encore opérationnel. L’échéance est prévue pour 2024 et les acteurs
institutionnels auront un accès privilégié à coût réduit (J.M. Delvit, CNES, comm.
pers.).

 18

2.8 L’outil VIIRS/NPP du satellite Suomi NPP

La « suite de radiomètres pour imageurs dans l'infrarouge et le visible » (en anglais :
Visible Infrared Imaging Radiometer Suite, VIIRS) est un système de capteur conçu et
fabriqué par la société Raytheon. Elle est embarquée à bord des satellites
météorologiques Suomi NPP et NOAA-201. VIIRS est l'un des cinq instruments clés
emportés à bord du satellite Suomi NPP, lancé le 28 octobre 2011. VIIRS est un
radiomètre (instrument qui permet de mesurer l'intensité du flux de rayonnement
électromagnétique, dans différents domaines de longueurs d'onde) à balayage. Il
collecte des images et des mesures radiométriques de la terre, de l'atmosphère, de la
cryosphère et de l'océan mondial dans toutes les bandes du visible et de l'infrarouge
du spectre électromagnétique. C'est l'un des outils les plus utilisés pour cartographier
à grande échelle la pollution lumineuse.
L’inconvénient est que le capteur multispectral dont la gamme s’étend de 505 à 890 nm
manque une partie du spectre d’émission des ampoules de type LED, qui émettent
généralement entre 400 et 700 nm, avec un pic dans le bleu et le vert. C’est le pic dans
le bleu, aux alentours de 440 nm qui n’est dans ce cas pas visible par ce capteur
multispectral (Gaston et al. 2014; Zhao et al. 2019).

2.8.1 Exploitation des données VIIRS/NPP grâce à l’application Web
 Radiance Light Trends

 Web Radiance Light Trends (https://lighttrends.lightpollutionmap.info/), est une
application web conçue pour mesurer les tendances en termes de luminosité ambiante
nocturne radiante vers l'espace. Depuis 2019, à partir d'une base de données mise à
jour en permanence, l'outil permet de sélectionner des secteurs (jusqu’à 5 000 km² et
au minimum de 0,14km²) n'importe où sur la planète, et de très rapidement générer un
graphique de variation temporelle de la luminosité nocturne, et ce pour n’importe quelle
période depuis 1992.
 Le capteur de radiance n'a pas la précision de celui permettant une photo
aérienne à basse ou moyenne altitude, mais l'outil couvre la planète sur 25 ans. De
plus, depuis 2012, le capteur d'un des satellites utilisés permet de faire la distinction
entre par exemple une source telle que des serres éclairées ou un groupe d'une
douzaine de lampadaires.
 Quiconque peut « dessiner » sur la carte la zone qui l'intéresse, fixer un
intervalle chronologique de temps (mensuel, annuel) puis exporter ces données (en
différents formats). Il est ainsi possible de montrer bien plus rapidement le lien entre
périurbanisation, industrialisation, routes et pollution lumineuse.

 19

Figure 9 : Sélection de la valeur de pixel la plus petite disponible pour le satellite DMSP (jaune) et le VIIRS (en
rouge). En combinant les différents satellites, il est possible d’obtenir des évolutions de la radiance depuis 1992.
 Source https://lighttrends.lightpollutionmap.info/

 Figure 10 : En sélectionnant les valeurs pour le satellite VIIRS/DNB (rectangle rouge de la Figure 9 ), il est
possible de visualiser l’évolution de la radiance sur la plage de temps disponible pour le satellite en question, ici
 depuis 2013. Source https://lighttrends.lightpollutionmap.info/.

 20

La Figure 10 ci-dessus montre une augmentation a priori significative de la
radiance au niveau du stade de la Licorne d’Amiens depuis 2013. Ce type de résultat
doit toutefois toujours être pris avec précaution et nécessite des investigations de
terrain pour déterminer s’il y a eu des modifications importantes du système d’éclairage
permettant de corroborer cette tendance.
 Ce type de graphique peut bien entendu être réalisé sur un périmètre plus large
également. Mais les évolutions sur une plus grande surface peuvent être délicates à
interpréter en raison de l’augmentation des différences de la composition de l’éclairage
artificiel.
L’application Web Radiance Light Trends permet d’un coup d’œil de se rendre compte
de l’état de la pollution lumineuse sur un grand territoire comme le montre la Figure 11
ci-dessous.

Figure 11 : Exemple de cartographie de la pollution lumineuse sur les Hauts-de-France grâce à l’application Web
 Radiance Light Trends. Source https://lighttrends.lightpollutionmap.info/.

 En zoomant sur un territoire comme celui de l’agglomération d’Amiens,
l’application Web Radiance Light Trends permet de faire des comparaisons visuelles
des variations de pollution lumineuse sur plusieurs années.

 21

Figure 12 : Exemple de cartographie de la pollution lumineuse sur l’agglomération d’Amiens grâce à l’application
 Web Radiance Light Trends (https://lighttrends.lightpollutionmap.info/). Données NPP de septembre 2012.

Figure 13 : Exemple de cartographie de la pollution lumineuse sur l’agglomération d’Amiens grâce à l’application
 Web Radiance Light Trends (https://lighttrends.lightpollutionmap.info/). Données NPP de janvier 2020

 L’examen des cartographies sur des mois différents (figure 12 et figure 13)
permet de rendre perceptibles des variations de luminosité. Nous remarquons par
exemple que la lumière émise par le stade de la Licorne est plus importante sur le
cliché de 2020 que sur celui de 2012, ou que l’intensité lumineuse de la commune de
 22

Bougainville est plus importante sur le cliché de 2020 que sur celui de 2012 également.
Il ne faut toutefois pas tirer de conclusion hâtive consistant à dire que la situation s’est
« dégradée » au fil du temps. En effet, il faut tenir compte des extinctions nocturnes
pratiquées par les communes et de la concordance ou non du passage du satellite au
moment de celles-ci, mais également des conditions météorologiques du moment.
Pour le stade de la Licorne, il est possible qu’un événement sportif particulier à l’instant
du passage du satellite ait permis de révéler la forte intensité lumineuse de ses 96
projecteurs de 2 000 W chacun.
 Des comparaisons entre les différents mois sont donc possibles mais il faut être
attentif pour comparer les variations de couleur de façon globale afin de faire ressortir
des variations relatives et non absolues. En effet, des variations de conditions
atmosphériques peuvent entraîner des fluctuations de la radiance.

2.9 Jilin-1

 Jilin-1 est le nom de la constellation qui comprend actuellement 16 satellites.
 Il s’agit de satellites commerciaux gérés par la société chinoise Chang Guang
Satellite Technology4 (CG Satellite).
 Le premier satellite, commercialisé par CG satellite se nommait Jilin-1 Optical A
et a été mis en service le 7 octobre 2015. Il disposait d’une résolution spatiale de
0,72 m en panchromatique et 2,88 m en multispectral. Il y a eu également les satellites
Video 01&02 lancés le même jour. Le satellite 02 permettait d’avoir des images de nuit
à une résolution de 1,13 m mais avec une image RVB non multispectre.
 Le satellite Jilin-1-3B (= JL1-3B = Jilin-1 SP-03 = Jilin-1 Video 3) a été lancé le
9 janvier 2017 et produit une image multi-spectre avec les 3 bandes suivantes utiles
pour l’imagerie nocturne :
  bleu : 437 nm – 512 nm ;
  vert : 489 nm – 585 nm ;
  rouge : 580 nm – 723 n
 Sa taille de vue standard est de 11 x 4,6 km.
 JL1-3B est capable de détecter des niveaux de radiance assez faibles, de
l’ordre de 7 E-7.W.cm-2.sr-1 (Zheng et al. 2018).
 Certains de ces satellites Jilin ont des caractéristiques différentes les uns des
autres. Les images de nuit sont réalisées par plusieurs satellites notamment le 02A,
03-B, 03, 07, 08.

4
 https://www.cgsatellite.com/imagery/luminous-imagery/

 23

Figure 14 : Illustration des différents satellites commercialisés par la société Chang Guang satellite technology
 (source http://www.charmingglobe.com/).

 Il convient de se reporter au site du constructeur, https://www.cgsatellite.com/
pour connaître les caractéristiques de chaque satellite.

 JL1-3B a une résolution de 0,92 m en RGB et dispose d’un outil de calibrage
embarqué de la radiance.
 L’intérêt de la bande multi spectrale telle que celle de JL1-3B est de permettre
de distinguer les types d’éclairage (lampe sodium haute pression, lampe à
fluorescence, Led…) par leurs différences d’émissions spectrales. Une expérience a
été menée dans la ville chinoise de Hangzhou pour distinguer les lampes à sodium
haute pression des LED (Zheng et al. 2018) et cela avait bien fonctionné (84 % de
distinction correcte) moyennant l’utilisation d’un logiciel tiers pour bien distinguer les
différences entre ces deux sources lumineuses.
 Il existe quelques limites d’utilisation des données de Jilin-1-3B (Zheng et al.
2018) :
  L’angle de prise de vue (off-nadir5) est inférieur à 10 degrés alors que
 Levin (Levin et al. 2014) a montré que cet angle pouvait avoir une
 importance cruciale sur la détection des lumières ;

5
 Les points sur la surface de la Terre qui se trouvent directement en dessous de la trajectoire du satellite sont
appelés les points nadir. Le off-nadir désigne l’angle que forme le satellite en « regardant » à la vertical vers la
terre. Un off-nadir de 0 signifie que le satellite est perpendiculaire à la surface observée (source landinf.com).

 24

 la prise de vue en multi spectres peut provoquer une latence et entraîner
 une perte d’informations ;
  la sensibilité aux lumières sombres n’est que de 7 E-7W.cm-2.sr-1 alors
 qu’elle est de 2E-11W.cm-2.sr-1 dans VIIRS. Ainsi Jilin 1-3B peut ignorer
 des zones faiblement éclairées ;
  Jilin-1-3B ne couvre que le spectre visible alors que pour des images
 nocturnes, il est préférable d’avoir également une bande spectrale
 couvrant le proche infrarouge, car certaines lampes (à incandescence,
 sodium et à iodures métalliques) ont une forte radiance dans la bande
 du proche infrarouge ;
  tel qu’évoqué au chapitre 2.3, la lumière artificielle de nuit couvre une
 plage dynamique très étendue entre les zones sombres et les sources
 lumineuse directes. Le capteur de Jilin-1-3B ne pouvant échantillonner
 cette étendue que sur 8 bits, cela pose des problèmes de saturation pour
 les sources lumineuses très importantes. Cette saturation entraîne ainsi
 une sous-estimation pour les zones fortement éclairées comme les
 centres commerciaux par exemple.

 Les derniers satellites Jilin-1 en date lancés par la société chinoise CG Satellite
et adaptés à la caractérisation des nuisances lumineuses sont les satellites Jilin-1-07
et Jilin-1-08. Ils ont été lancés le 19 janvier 2018. Il est notamment composé d’une
bande panchromatique et de bandes dans le bleu, le vert, le rouge, le red edge (partie
inférieure du proche infrarouge) et le proche infrarouge. Cette amélioration doit
permettre de mieux distinguer les sources lumineuses (Zheng et al. 2018).
 La résolution pour les satellites Jilin-1-07 ou 08 est identique à 03-B. L’étendue
des bandes spectrales pour Jilin-1-08 est la suivante :
  bleu : 430 nm – 520 nm ;
  vert : 490 nm – 580 nm ;
  rouge : 580 nm – 730 nm.

 25

Figure 15 : Exemple d’image satellite acquise par le groupe de satellite Jilin-1 au-dessus de la ville de Rome.
 Source : https://www.cgsatellite.com/imagery/luminous-imagery/

 Le coût d’acquisition des images produites par Jilin1 est de 25,22 € HT.km-2
 Les sociétés La Telescop (https://www.latelescop.fr/) et Geo4i
(http://geo4i.com/) sont distributeurs des données du satellite JILIN 1 en France (voir
contacts au paragraphe 4 ci-dessous).
 Le produit est livré sous un format « brut » (RPC6 capteur). Il est possible de
l'orthorectifier avec des outils comme qgis (georefenrer) ou OTB. Une présentation de
OTB est disponible ici :
 http://osgeo-fr.github.io/frog2013/presentations/thematique/12-
Grizonnet/frog2013_otb.pdf

 Il suffit de quelques points de référence d’éclairage pour aider à ortho-rectifier
l’image.
 Des sociétés comme La TeleScop ou Geo4i peuvent s’occuper de cette
correction géométrique, livrer une image raster RGB et convertie en radiance W.m-
2.sr-1.

 La société La TeleScop a fait un test sur la ville de Nantes, cela est présenté
ici :
 https://www.latelescop.fr/2020/01/23/carte-de-luminosite-de-nantes/

6
 RPC : Rational Polynomial rectification. Une image qui contient des coefficients polynomiaux rationnels peut
être orthorectifiée en latitude / longitude en convertissant dans cette unité de mesure les coordonnées des
positions des lignes et colonnes de l’image.

 26

Il est possible de déplacer le curseur pour voir les 2 cartes. Les quartiers sont
classés par luminosité moyenne.

2.10 Satellite Luojia

 Le satellite Luojia 1-01 (= LJ1-01) est un prototype universitaire chinois, de
l’université de la désormais célèbre ville de Wuhan. Il a été lancé le 2 juin 2018.
 Comparé aux données fournies par le capteur VIIRS/NPP, LUOJIA 1-01 offre
une meilleure résolution et peut détecter une plus grande plage dynamique de
couleurs (Jiang et al. 2018). Sa résolution est de 100 à 130 m au sol environ (Zhao et
al. 2019).

 Figure 16 : comparaison entre les images fournies avec le capteur VIIRS/NPP (à gauche) et LUOJIA 1-01 (à
 droite). D’après (Jiang et al. 2018).

 27

Figure 17 : Aperçu des images nocturnes produites par Luojia1-01. a : avant ortho-rectification ; b : après ortho-
 rectification. Source : (Jiang et al. 2018)

 La donnée de Luojia 1-01 est gratuite. Les données sont disponibles sur le site
de l'université de Wuhan à cette adresse :
 http://59.175.109.173:8888/app/login_en.html

 Il faut se créer un compte, attendre sa validation et les images sont ensuite
librement accessibles.
 D’après plusieurs sources concordantes, il n’y a plus eu d’acquisition depuis
2019. Les dernières données disponibles datent à ce jour (décembre 2020) de 2018.
 En traçant un polygone sur la zone souhaitée, l’application indique les dalles
d’images disponibles qu’il est alors possible de télécharger.

 28

Figure 18 : Liste des dalles d’images disponibles en téléchargement après avoir tracé un polygone sur la zone
 d’étude (ici Amiens pour l’exemple). Source http://59.175.109.173:8888/app.

 Il faut ensuite convertir les données en radiance.
 Tel qu’indiqué sur le site mentionné ci-dessus, il est possible de convertir le
format INT32 des images vers la radiance en procédant comme suit :
 = 3/2 10−10
 Où L est la radiance d’entrée (W.(m2 x srµ m)-1) et DN étant le numéro (digital
number) des images Luojia1-01.

 Toutefois, nous avons pu faire des tests sur des images directement sans faire
de calcul de variance et avoir un affichage tout à fait satisfaisant dans Qgis avec les
réglages ci-dessous :

 Figure 19 : Réglage du style de la couche raster Luojia sur Qgis permettant de faire apparaître les niveaux de
 radiance. La palette de couleur choisie est «inferno »

 La TeleScop a accepté de nous fournir gracieusement une image en radiance
convertie en W.m-2.sr-1 ; projetée en Lambert 93 corrigée géométriquement.

 29

Figure 20 : Exemple du rendu du satellite Luojia 1-01 sur le secteur d’Amiens. Image gracieusement fournie par
 La TeleScop, en radiance et ortho-rectifiée. Acquisition satellitaire du 22 06 2018

Figure 21 : Exemple de rendu du satellite Luojia 1-01 sur une partie des Hauts-de-France. Acquisition satellitaire
du 22 06 2018. Cliché traité directement à partir du téléchargement sur le serveur de Wuhan (pas de rectification
 géométrique).

 30

Ainsi, pour davantage de précision, la société La TeleScop peut se charger de
rectifier la géométrie de l’image moyennant un temps à passer de l’ordre d’une demi-
journée pour un territoire comme la Somme, soit un coût inférieur à 1000 € (La
TeleScop, comm. pers.). Une image couvre environ 250 km x 250 km soit 62 500 km2.
Selon la répartition des dalles, le traitement d’une seule image peut suffire pour un
seul département. Pour mémoire la superficie de la Somme est de 6170 km2.

 Synthèse
 Tel que nous l’avons vu, il est important de bien définir son objectif avant de
choisir vers quel type de satellite il faut s’orienter.
 La différence entre la lumière visible depuis l’espace et celle perçue au niveau
du sol doit toujours être prise en considération (Levin et al. 2020). Dans une
perspective de préserver la faune sauvage nocturne, il est très important de disposer
également d’outils pour caractériser la lumière émise horizontalement, par exemple
celle provenant de l’éclairage intérieur des bâtiments. Il est nécessaire de croiser
plusieurs sources d’informations, telles que des mesures au sol pour caractériser
convenablement la pollution lumineuse (Deverchère, Vauclair 2019). Un champ de
recherche s’ouvre pour disposer d’outils pertinents (Levin et al. 2020).
 A l’heure actuelle, dans l’objectif de définir un indicateur peu coûteux de la
pollution lumineuse pour les Hauts-de-France, à l’échelle d’un parc naturel régional,
d’un département ou d’une grande métropole, alors Luojia 1-01 s’avère un choix
judicieux. Il est en effet le seul satellite non commercial à fournir des informations sur
l’éclairage nocturne. Malheureusement, sachant qu’il n’y a plus de nouvelles données
depuis 2018, les données vont devenir rapidement obsolètes.
 Si l’objectif est davantage focalisé vers les types de sources lumineuses, leurs
intensités et leurs répartitions à l’échelle d’une commune, d’une communauté de
commune ou d’une agglomération alors un satellite de meilleure résolution comme
ceux du Jilin-1 sera davantage adapté. Les satellites Jilin-1 ont l’avantage d’être précis
et la société qui les gère effectue des lancements de nouveaux modèles très
régulièrement améliorant constamment la qualité et la fiabilité des images. S’agissant
de satellites commerciaux, ils ont l’inconvénient d’être coûteux avec une zone couverte
pour chaque image restreinte. Cela n’est de ce point de vue pas idéal pour couvrir de
grands territoires avec un budget limité.
Enfin, tel que nous l’avons vu, la pollution lumineuse ne peut être caractérisée que
par les données de radiance satellite. Il convient donc de recenser tous les outils
disponibles et pertinents (ortholuminoplan, base de données des sources
d’éclairage, utilisation d’un sky quality meter etc..) en fonction des objectifs
recherchés.

 31

Contacts
 Société La TeleScop :
 M. Bastien Nguyen Duy-Bardakji
 Gérant – Acquisition
 04 67 54 87 23
 Siège social : 311 chemin de la Draye du Marbre 34170 Castelnau-le-lez
 Bureau : Maison de la Télédétection 500 rue JF.Breton 34090 Montpellier
 bastien.nguyen@latelescop.fr
 https://www.latelescop.fr/

 Société Geo4i :
 M. Olivier Thiery
 Responsable R&D
 60, quai d'Amont 60100 Creil
 olivier.thiery@geo4i.com
 http://geo4i.com/

 32

Bibliographie

ANDERSON, Sharolyn J., TUTTLE, Benjamin T., POWELL, Rebecca L. et SUTTON,
Paul C., 2010. Characterizing relationships between population density and nighttime
imagery for Denver, Colorado: issues of scale and representation. International Journal
of Remote Sensing. 8 novembre 2010. Vol. 31, n° 21, pp. 5733‑5746.
DOI 10.1080/01431161.2010.496798.

ASSOCIATION FRANÇAISE DE L’ÉCLAIRAGE, 2018. Modélisation et mesures de la
pollution lumineuse : quelle(s) méthode(s) pour quel(s) résultat(s) ? [en ligne]. 18
septembre 2018. [Consulté le 28 décembre 2020]. Disponible à l’adresse :
https://www.afe-eclairage.fr/blogdelafe/modelisation-et-mesures-de-la-pollution-
lumineuse-quelles-methodes-pour-quels-resultats/

BARA, Salvador, RIGUEIRO, Lago et LIMA, Raul C., 2019. Monitoring transition:
Expected night sky brightness trends in different photometric bands. Journal of
Quantitative Spectroscopy & Radiative Transfer. décembre 2019. Vol. 239,
pp. 106644. DOI 10.1016/j.jqsrt.2019.106644.

CG SATELLITE SOCIETY, [sans date]. Changguang Satellite Technology - CG
Satellite company profile [en ligne]. [Consulté le 4 janvier 2021]. Disponible à
l’adresse : https://www.cgsatellite.com/wp-
content/themes/CG/images/CG%20Satellite%20Company%20Profile.pdf

DEVERCHÈRE, Philippe, VAUCLAIR, Sébastien et BONAVITACOLA, Michel, 2018.
Mesure et modélisation de la pollution lumineuse [en ligne]. mars 2018.
[Consulté le 28 décembre 2020]. Disponible à l’adresse :
https://www.darkskylab.com/publications.html

DEVERCHÈRE, Philippe, VAUCLAIR, Sébastien et NGUYEN DUY - BARDAKJI,
Bastien, 2018. Les différentes approches de la cartographie de la pollution lumineuse.
septembre 2018.

DEVERCHÈRE, Philippe et VAUCLAIR, Sébastien, 2019. Modélisation de la pollution
lumineuse à partir de données de radiance satellite [en ligne]. avril 2019.
[Consulté le 28 décembre 2020]. Disponible à l’adresse :
https://www.darkskylab.com/publications.html

GASTON, Kevin J., DUFFY, James P., GASTON, Sian, BENNIE, Jonathan et
DAVIES, Thomas W., 2014. Human alteration of natural light cycles: causes and
ecological consequences. Oecologia. décembre 2014. Vol. 176, n° 4, pp. 917‑931.
DOI 10.1007/s00442-014-3088-2.

HÄNEL, Andreas, POSCH, Thomas, RIBAS, Salvador J., AUBÉ, Martin, DURISCOE,
Dan, JECHOW, Andreas, KOLLATH, Zoltán, LOLKEMA, Dorien E., MOORE,
Chadwick, SCHMIDT, Norbert, SPOELSTRA, Henk, WUCHTERL, Günther et KYBA,
Christopher C. M., 2018. Measuring night sky brightness: methods and challenges.
Journal of Quantitative Spectroscopy and Radiative Transfer. 1 janvier 2018. Vol. 205,
pp. 278‑290. DOI 10.1016/j.jqsrt.2017.09.008.

 33

JIANG, Wei, HE, Guojin, LONG, Tengfei, GUO, Hongxiang, YIN, Ranyu, LENG,
Wanchun, LIU, Huichan et WANG, Guizhou, 2018. Potentiality of using Luojia 1-01
nighttime light imagery to investigate artificial light pollution. Sensors. 2018. Vol. 18,
n° 9, pp. 2900.

KATZ, Yali et LEVIN, Noam, 2016. Quantifying urban light pollution — A comparison
between field measurements and EROS-B imagery. Remote Sensing of Environment.
1 mai 2016. Vol. 177, pp. 65‑77. DOI 10.1016/j.rse.2016.02.017.

LEVIN, Noam, JOHANSEN, Kasper, HACKER, Jorg M. et PHINN, Stuart, 2014. A new
source for high spatial resolution night time images — The EROS-B commercial
satellite. Remote Sensing of Environment. 1 juin 2014. Vol. 149, pp. 1‑12.
DOI 10.1016/j.rse.2014.03.019.

LEVIN, Noam, KYBA, Christopher C. M., ZHANG, Qingling, SÁNCHEZ DE MIGUEL,
Alejandro, ROMÁN, Miguel O., LI, Xi, PORTNOV, Boris A., MOLTHAN, Andrew L.,
JECHOW, Andreas, MILLER, Steven D., WANG, Zhuosen, SHRESTHA, Ranjay M. et
ELVIDGE, Christopher D., 2020. Remote sensing of night lights: A review and an
outlook for the future. Remote Sensing of Environment. 1 février 2020. Vol. 237,
pp. 111443. DOI 10.1016/j.rse.2019.111443.

WANG, Fengyan, ZHOU, Kai, WANG, Mingchang et WANG, Qing, 2020. The Impact
Analysis of Land Features to JL1-3B Nighttime Light Data at Parcel Level: Illustrated
by the Case of Changchun, China. Sensors (Basel, Switzerland) [en ligne]. 22
septembre 2020. Vol. 20, n° 18. [Consulté le 30 décembre 2020].
DOI 10.3390/s20185447. Disponible à l’adresse :
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7576500/

ZHAO, Min, ZHOU, Yuyu, LI, Xuecao, CAO, Wenting, HE, Chunyang, YU, Bailang, LI,
Xi, ELVIDGE, Christopher D., CHENG, Weiming et ZHOU, Chenghu, 2019.
Applications of Satellite Remote Sensing of Nighttime Light Observations: Advances,
Challenges, and Perspectives. Remote Sensing. janvier 2019. Vol. 11, n° 17,
pp. 1971. DOI 10.3390/rs11171971.

ZHENG, Qiming, WENG, Qihao, HUANG, Lingyan, WANG, Ke, DENG, Jinsong,
JIANG, Ruowei, YE, Ziran et GAN, Muye, 2018. A new source of multi-spectral high
spatial resolution night-time light imagery—JL1-3B. Remote Sensing of Environment.
15 septembre 2018. Vol. 215, pp. 300‑312. DOI 10.1016/j.rse.2018.06.016.

 34

35

Edition ; Fevrier 2021

Cerema Hauts-de-France
44 Ter rue Jean BART CS 20275. 59019 LILLE
Tel : 03 20 49 60 00 – mél. : DTerNP@cerema.fr

 www.cerema.fr